Simulasi Permasalahan Multiobyektif Berbasis Agen Pada Kasus Economic dan Emission Dispatch (EED) Dengan Metode Neuro Fuzzy System di Power Plant

Transkripsi

1 Simulasi Permasalahan Multiobyektif Berbasis Agen Pada Kasus Economic dan Emission Dispatch (EED) Dengan Metode euro Fuzzy System di Power Plant Fressy ugroho, Supeno Mardi, Moch. Hariadi 3,,3 Pasca Sarjana Jaringan Cerdas Multimedia (Game Technology) Teknik elektro, Teknologi Industri ITS Jl. Keputih Sukolilo Surabaya 60 fressy@elect-eng.its.ac.id ABSTRAK Manajemen operasi listrik telah banyak diteliti, salah satunya adalah permasalahan Economic and Emission Dispatch (EED). Dimana pada permasalahan EED ini berkenaan dengan tingkat emisi yang dihasilkan dari produksi energi listrik yang mencemari lingkungan hidup. Dengan tingkat pencemaran udara yang tinggi, menyebabkan pemanasan global yang dapat mengubah siklus cuaca di dunia ini. Sehingga tiap pembangkit listrik diharapkan dapat melakukan perhitungan dari produksi listrik yang dihasilkan dan tingkat pencemaran yang dihasilkan pula. Permasalahan EED ini terdapat pada bagian produksi dan penjadualan. Dari beberapa penelitian yang telah dilakukan, model yang diajukan belum memiliki kemampuan pembelajaran. Oleh karena itu masih dibutuhkan modul yang mampu melakukan pembelajaran, dengan harapan apabila terjadi perubahan pada sisi masukan akan menyebabkan modul mengenali kondisi baru berdasarkan hasil pembelajaran yang telah dilakukan. Pada penelitian ini akan dipelajari penggunaan Multiobjective Optimization Problem (MOP) dengan metode euro Fuzzy System (FS) karena kemampuannya dalam meng-akuisisi pengetahuan dan kemampuan pembelajaran. Metode hybrid ini akan diujikan pada kasus penjadualan pada pembangkit listrik yang membahas minimalisasi dari permasalahan Economic and Emission Dispatch (EED). Kata kunci : simulasi, EED, neuro fuzzy system PEDAHULUA. Latar Belakang Game yang tepat untuk melatih kemampuan dalam mengambil sebuah keputusan diantaranya adalah game bisnis. Dengan game bisnis dapat meminimalkan efek kerugian akibat keputusan yang salah di dunia nyata. Pada penelitian ini, game bisnis yang digunakan sebagai contoh kasus bergenre Role Play Game (RPG), dimana player berperan sebagai pimpinan sebuah perusahaan listrik independen. Sebagai pimpinan perusahaan listrik, player dapat berlatih dalam mengambil keputusan dengan menetapkan solusi terbaik dari sejumlah solusi yang diberikan, berdasarkan beberapa kriteria (objective) tertentu. Dengan beberapa kriteria atau multiobjective untuk dipenuhi secara bersamaan, menjadi suatu permasalahan yang kompleks. Hal ini disebabkan masingmasing objective akan saling konflik antara satu objective dengan objective yang lainnya. Untuk itu diperlukan suatu cara untuk mengatasi permasalahan ini dengan menggunakan pencarian solusi terbaik yang akan memenuhi objective yang berkompetisi dibawah skenario trade-off yang berbeda. Dengan mempertimbangkan multiobjective dan kendala-kendala yang membatasinya, maka formulasi dapat ditentukan. Manajemen operasi listrik telah banyak diteliti, salah satunya adalah permasalahan Economic and Emission Dispatch (EED). Dimana pada permasalahan EED ini berkenaan dengan tingkat emisi yang dihasilkan dari produksi energi listrik yang mencemari lingkungan hidup. Dengan tingkat pencemaran udara yang tinggi, menyebabkan pemanasan global yang dapat mengubah siklus cuaca di dunia ini. Sehingga tiap pembangkit listrik diharapkan dapat melakukan perhitungan dari produksi listrik yang dihasilkan dan tingkat pencemaran yang dihasilkan pula. Permasalahan EED ini terdapat pada bagian produksi dan penjadualan. Beberapa penelitian tentang EED yang telah dilaksanakan antara lain : Bo Zhao dkk,

2 (005) menggunakan metode Multi Objective Particle Swarm Optimization (MOPSO) dalam menyelesaikan permasalahan tersebut dan membandingkannya dengan metode Multi Objective Evolutionary Algorithm (MOEA). Hasil penelitiannya menunjukkan keunggulan metode MOPSO dibandingkan MOEA. Sedangkan I.G.P. Asto dkk (008), menggunakan Simulated Annealing (SA) dalam menyelesaikan permasalahan single objective yang membahas Economic Dispatch dan membandingkannya dengan metode Linear Programming. Pada penelitian tersebut, Simulated Annealing lebih optimum dibandingkan metode Linear Programming. Dari beberapa penelitian yang telah dilakukan tersebut, model yang diajukan belum memiliki kemampuan pembelajaran. Oleh karena itu masih dibutuhkan modul yang mampu melakukan pembelajaran, dengan harapan apabila terjadi perubahan pada sisi masukan akan menyebabkan modul mengenali kondisi baru berdasarkan hasil pembelajaran yang telah dilakukan. Pada penelitian ini akan dipelajari penggunaan Multiobjective Optimization Problem (MOP) dengan metode euro Fuzzy System (FS) dalam hal ini Multiple AFIS, karena kemampuannya dalam beradaptasi dengan perubahan data dan kemampuan pembelajaran. Metode hybrid ini akan diujikan pada kasus penjadualan pada pembangkit listrik yang membahas minimalisasi dari permasalahan Economic and Emission Dispatch (EED). Permasalahan yang dikerjakan merupakan kelanjutan dari penelitian yang telah dilakukan I.G.P. Asto dkk, (008)..5 Sistem euro Fuzzy Salah satu kombinasi yang dilakukan adalah -FS (eural etwork dengan Fuzzy System) atau biasa disebut Sistem euro Fuzzy (SF). Pendekatan hibridisasi SF merupakan realisasi fungsional sistem fuzzy menggunakan jaringan saraf tiruan, dimana bobot koneksi dari JST sesuai dengan parameter sistem fuzzy. Pendekatan ini bertujuan mendesain metode sistem fuzzy menggunakan algoritma pembelajaran yang dimiliki JST. Metode yang termasuk dalam SF diantaranya adalah AFIS (Adaptive euro Fuzzy Inference System) AFIS adalah arsitektur yang secara fungsional sama dengan fuzzy berbasis aturan model Sugeno. Dapat dikatakan bahwa AFIS adalah suatu metode dimana dalam melakukan penyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data. Pada AFIS, memungkinkan aturan-aturan untuk beradaptasi. X Y Lapisan Lapisan Lapisan 3 Lapisan 4 Lapisan 5 A A B B µ A µ A µ B µb w w Gambar. Detail arsitektur AFIS Sumber : Jang, 99 Lapisan : Masukan tiap neuron berupa data yang akan dilatih. Keluaran tiap neuron berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan masukan, yaitu : µ A ( x ), µ A ( x ), µ A ( x ) atau µ A ( x ). Misalkan fungsi keanggotaan adalah :. µ ( x) = x c b + a Lapisan : Setiap neuron i pada lapisan kedua berupa neuron tetap yang diberi label Π. Masukan tiap neuron merupakan derajat keanggotaan yang diberikan oleh lapisan pertama. Operator yang digunakan biasanya berupa operator AD. Keluaran lapisan kedua berupa firing strength dari aturan ke-i, yaitu: w i = µ A ( x). µ B ( y),i=,. i i Lapisan 3 : Setiap neuron i pada lapisan ketiga berupa neuron tetap yang diberi label. Masukan tiap neuron merupakan firing strength yang diberikan oleh lapisan kedua.. Keluaran lapisan ketiga berupa rasio perbandingan firing strength aturan ke-i terhadap jumlah firing strength seluruh aturan. Dikenal sebagai firing strength yang dinormalisasi, yang didefinisikan sebagai : wi wi =,i=,.3 w + w Lapisan 4 : Setiap neuron i pada lapisan ke-empat berupa neuron adaptif terhadap w w X Y w f w f f = w f + w f

3 keluaran. Masukan tiap neuron merupakan firing strength yang dinormalisasi dari lapisan ketiga.. Keluaran lapisan ke-empat berupa parameter-parameter pada neuron tersebut. Parameter-parameter pada lapisan ini disebut sebagai parameter konsekuen, yang didefinisikan sebagai : w i y i = w ( c i x + c i x + c i 0 ),i=,.5 dimana : wi adalah firing strength yang dinormalisasi c i, c i, ci0 adalah parameter konsekuen (bagian THE) Lapisan 5 : Setiap neuron i pada lapisan kelima berupa neuron tetap yang diberi label Σ. Masukan tiap neuron merupakan parameter konsekuen yang diberikan oleh lapisan ke-empat.. Keluaran lapisan kelima berupa hasil penjumlahan dari seluruh keluaran lapisan ke-empat, yang didefinisikan sebagai : w f w f w f f w f i i i + = i i = =,i =, w w w i i i +.0 Tabel. Prosedur Pembelajaran Hybrid untuk AFIS Arah Maju Arah Mundur Parameter Premis Tetap Gradient Descent Parameter Least Square Tetap Konsekuen Estimator Sinyal Simpul Keluaran Sinyal Error Sumber : Jang, MAFIS MAFIS merupakan perluasan dari AFIS, untuk menghasilkan keluaran multiple. Sebuah sistem neuro fuzzy dapat berfungsi sebagai tool nonparametric regression, yang memodelkan hubungan regresi secara nonparametrik tanpa referensi terhadap bentuk fungsional yang ditetapkan sebelumnya. Pada dasarnya, AFIS hanya menghasilkan satu keluaran saja. Sedangkan MAFIS merupakan agregasi terhadap beberapa AFIS yang tidak tergantung satu sama lain, sebagai satu kesatuan untuk menghasilkan keluaran multiple.cheng (004) dan Gomathi (009) Arsitektur MAFIS, diperlihatkan dalam gambar. berikut : Gambar. Arsitektur MAFIS Sumber : Cheng, 004 dan Gomathi, Desain penelitian Pada bab ini akan dijelaskan metode dan cara kerja yang dikerjakan pada penelitian ini untuk menghasilkan fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya sesuai dengan konstrain setiap pembangkit listrik. Fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya ini dapat digunakan untuk menghasilkan diagram pareto sebagai proses berikutnya, dalam tujuan memberikan informasi (yang dilakukan oleh PC) kepada player, untuk memilih unit pembangkit mana yang akan di aktifkan. Secara garis besar, desain modul PC dalam produksi pembangkit listrik pada penelitian ini dapat dilihat pada gambar 3., Modul PC terdapat dalam kotak berwarna biru. Desain modul PC dalam produksi pembangkit listrik ini merupakan bagian kecil dari penelitian yang dilakukan Asto, dkk (009). Fluktuasi Biaya BBM Kebutuhan Daya Listrik Profit Lebih Besar untuk Perusahaan Kapasitas Produksi Power Plant dari Power Plant Power Loss dari Power Plant - Biaya Operasional Pegawai - Biaya Awal untuk Operasi Power Plant - Biaya Spin Reverse Player Pemilihan Skenario Pemilihan Power Plant Player memilih Power Plant yang akan diaktifkan Wilayah Penelitian Asto, dkk Player memutuskan Solusi yang akan diambil Total Biaya BBM Total Power Plant Total Power Loss Biaya Total Scoring Keputusan Ranking Score Player Aturan Pemerintah untuk mengurangi Polusi Penurunan Biaya Produksi Modul PC - Penalti Polusi - Pemenuhan Kapasitas Produksi - Biaya Produksi - Profit yang diperoleh AFIS- AFIS- AFIS- 3 X X X3 X4 X5 X6 Gambar 3.. Desain modul PC dalam produksi pembangkit listrik Sumber : Asto, dkk (009) dan perencanaan 3

4 3. Modul PC Modul PC bertugas memberikan informasi berupa hasil perhitungan berdasarkan fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya (Power Loss) kepada player dalam bentuk diagram pareto. Sehingga player dapat menentukan unit pembangkit yang akan diaktifkan. Permasalahan tersebut, dikenal sebagai permasalahan Economic dan Emission Dispatch (EED) yang merupakan permasalahan multi obyektif. Permasalahan multi obyefktif ini berfungsi untuk meminimalkan biaya bahan bakar, meminimalkan emisi serta meminimalkan kerugian daya yang dihasilkan oleh Power Plant. Pada penelitian ini digunakan data kebutuhan daya listrik dalam 4 jam, data daya yang dihasilkan tiap pembangkit, serta biaya bahan bakar, jumlah emisi dan kerugian daya yang merupakan hasil penelitian Indriati dkk, (007) Minimalisasi biaya bahan bakar. Biaya bahan bakar dari sistem dapat dihubungkan sebagai kriteria penting untuk kelayakan ekonomi. Kurva biaya bahan bakar diasumsikan untuk diperkirakan dengan fungsi kuadratik dari output daya real generator sebagai berikut : (3.) F ( P ) = ( a + b P + c P )($/ ) G i i Gi i Gi h i= dimana, P Gi merupakan output daya real dari generator ke-i; merupakan jumlah total generator; a i (dalam Rp), b i (dalam Rp/MW), c i (dalam Rp/MW ) adalah koefisien kurva biaya bahan bakar dari generator ke-i, seperti tampak dalam tabel 3. berikut ini : Tabel 3. Karakteristik fungsi biaya bahan bakar Generator o. F = a i + b i.p G +c i. P G (Rp/jam) a i b i c i PLTU Paiton (P) PLTU Gresik (P) PLTGU Grati (P3) PLTG Gresik (P4) PLTGU Gresik (P5) PLTGU Gresik (P6) Minimalisasi emisi. yang dihasilkan dari generator ini antara lain Sulphur Oksida (Sox) dan itrogen Oksida (ox) diberikan sebagai sebuah fungsi dari keluaran generator yang merupakan jumlah kuadratik : ( ) ( (3.) F PG = αi + βipgi + γip )( ton / h) Gi i= dimana, P Gi merupakan output daya real dari generator ke-i; merupakan jumlah total generator; α i (dalam Kg), β i (dalam Kg/MW) dan γ i (dalam Kg/MW ) adalah koefisien dari generator ke-i, terlihat dalam tabel 3. Tabel 3. Karakteristik fungsi emisi. Generator o. F ( ) ( PG = γip + βi PGi + αi )( ton / jam) Gi i= γ β α PLTU Paiton (P) PLTU Gresik (P) PLTGU Grati (P3) PLTG Gresik (P4) PLTGU Gresik (P5) PLTGU Gresik (P6) Minimalisasi kerugian daya (power loss). Kerugian daya yang dihasilkan dari generator ini diberikan sebagai sebuah fungsi jumlah perkalian antara daya pembangkit dengan koefisien B : F3( PG ) = Pi Bij P (3.3) j i= j= dimana, P i dan P j merupakan output daya real dari generator ke-i dan transpose daya real dari generator ke-i; merupakan jumlah total generator; B ij adalah koefisien dari generator ke-i dan generator ke-j, yang menggambarkan karakter kerugian daya dengan dimensi matrik x. Diperlihatkan dalam tabel 3.3. Tabel 3.3 Masukan Karakteristik Pembangkit Termal untuk fungsi Kerugian Daya berupa Koefisien B sistem 6 unit pembangkit (dalam 0-4 ) Kendala-kendala ) Kendala Kapasitas Pembangkit Untuk operasi stabil, keluaran daya nyata dari tiap-tiap generator dibatasi oleh batas atas dan batas bawah sebagai berikut : P Gi min P Gi P Gi max (3.3) 4

5 Tabel 3.3 Masukan Karakteristik Pembangkit Termal untuk fungsi Kerugian Daya berupa Koefisien B sistem 6 unit pembangkit (dalam 0-4 ) ) Kendala Keseimbangan Daya Total pembangkitan daya listrik P Gi harus memenuhi total daya permintaan listrik P D dan total kerugian transmisi P L, sehingga : PGi PD PL = 0 (3.4) Formulasi Model Matematika Permasalahan pada EED dapat dirumuskan secara matematika sebagai optimasi permasalahan multiobyektif sebagai berikut Minimalkan [F(P G ), F(P G ), F3(P G )] (3.5) Berikutnya dilakukan proses untuk mencari keluaran tiap fungsi menggunakan metode adaptive neuro fuzzy inference system (AFIS) yang terpisah. Dimana tiap metode AFIS tidak saling tergantung dengan metode AFIS lain. Kemudian, keluaran AFIS digunakan untuk membentuk diagram solusi pareto Secara garis besar, modul PC ini dapat dilihat dalam gambar 3. sebagai berikut : generator 30 bus, seperti yang terlihat pada tabel 4. berikut ini : Tabel 4. Data Kapasitas Terpasang Unit Pembangkit Termal di Jawa Bali area IV yang digunakan dalam penelitian ini Uni ama Unit Tipe Kapasitas t Bahan Max Min PLTU Paiton (P) Batubara PLTU Gresik (P) Gas PLTGU Grati (P3) Gas PLTG Gresik (P4) Gas PLTGU Gresik (P5) Gas PLTGU Gresik (P6) Gas Sumber : Indrati, Hasil penelitian Dari penelitian yang telah dilakukan, didapat grafik grafik yang menggambarkan hasil metode AFIS dengan metode pemrograman linear, sebagai berikut : Grafik 4. Perbandingan fungsi biaya bahan bakar target dengan keluaran AFIS. Bia ya Ba h an Ba k ar (Ru p ia h /ja m) Perbandingan Fungsi Biaya Target dengan Keluaran AFIS per jam Jam Target Fungsi Biaya Keluaran AFIS Grafik 4. Perbandingan fungsi emisi target dengan keluaran AFIS. X X AFIS- Perbandingan Target dengan FS X3 X4 X5 X6 AFIS- AFIS-3 (dalam MW) Jam Target emisi dg FS Gambar 3. Modul PC 3. Data kapasitas terpasang Data masukan merupakan data fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya yang merupakan hasil penelitian Indrati, dkk (007) dengan menggunakan metode pemrograman linear. Dalam penelitian ini, tidak semua data tersebut digunakan karena yang digunakan sebagai acuan adalah sistem standar IEEE 6 P Loss (MW/jam) Perbandingan P Loss dengan PL dan FS Jam Target P Loss Keluaran P Loss dengan FS Grafik 4.3 Perbandingan fungsi emisi target dengan keluaran AFIS. 5

6 Berikutnya diperlihatkan diagram pareto yang didapat dalam format tiga dimensi, karena terdiri dari tiga fungsi obyektif, dalam gambar 4. sebagai berikut : (Ton/jam) (MW/jam) Diagram Pareto multiobyektif 3 dimensi Bahan (juta Rupiah/jam) Gambar 4. Diagram pareto 3 dimensi Bentuk FSM, untuk PC dalam simulasi berbasis agen ini diperlihatkan dalam gambar 4. sebagai berikut : Idle Lanjutkan perjalanan Berjalan Lanjutkan perjalanan EED tinggi Beli pembangkit listrik Penambahan Pembangkit Listrik Pembangkit Listrik habis Pendataan Kebutuhan Listrik Laba >>> Gambar 4. FSM untuk simulasi game bisnis 5 Konklusi Dari diagram pareto tersebut, dapat dibuat behaviour untuk PC, sebagai pemberi informasi kepada player. Biblografi Buat Klasifikasi pembangkit listrik berdasar EED Lanjutkan perjalanan Ke level berikutnya Penghitungan Kebutuhan Listrik Emission >>> Kuota egara Total Pendapatan Bertemu pembangkit listrik Hitung EED Tidak Beli Abido.M.A.Multiobjective EvolutionaryAlgorithms for Electric Power Dispatch Problem, IEEE Transaction On Evolutionary Computation, Vol.0, o 3, June 006. Balasubramanian,., Brent G. WilsonGamesand EED rendah Jual Emission Dispatch Terima Keuntungan Donasikan Emission Dispatch Ke egara Miskin Tidak Laku Simulations.(005).Dari AndSimulations.pdf Chi-Bin Cheng, Process Optimization by Soft Computing and Its Application to a Wire Bonding Problem, International Journal of Applied Science and Engineering., : Christopher A. Chung. Simulation Modeling Handbook A Practical Approach.CRC Press LLC, 000.W. Corporate Blvd., Boca Raton, Florida, 004. Chu-Yun Chen and Shih-Ming Yang. A DSP-Based euro-fuzzy MIMO System for Identification and Control.Master Thesis Gerhard Weiss. Multiagent Systems A Modern Approach to Distributed Modern Approach to Arti_cial Intelligence. The MIT Press, Cambridge, Massachusetts, London, England, 999. Indrati Agustinah and Unit Three.(007). Development Model Optimisation Fuel Scheduling with Method Linear Programming for minimalisation of Production Cost Electrical System at Java Bali. Technical Report 007/SPH/PP/DPM/III/007, Faculty of Engineering, Electrical Engineering, State University of Surabaya. I.G.P. Asto Buditjahjanto, Mochammad Hariadi,Mauridhi Hery Purnomo,.Using Simulated Annealing for Simulated Based Optimization on Power Plant Schedulling, The 4th International Congress on Logistic and SCM Systems, Effective Supply Chain and Logistic Management for Sustainable Development, Bangkok, Thailand 6-8 ovember, 008 Jerry Banks. Handbook Of Simulation, Principles, Methodology, Advances, Applications, And Practice. A Wiley- Interscience Publication, John Wiley &Sons, Inc., 998. Jyh-Shing Roger Jang, Chuen-Tsai Sun dan Eiji Mizutani. euro-fuzzy and Soft Computing, A Computational Approach to Learning and Machine Intelligence. Prentice Hall, Inc, 997 Lakhmi Jain Ajith Abraham and Robert Goldberg. Evolutionary Multiobjective Optimization Theoretical Advances and Applications. Springer-Verlag London Limited,

7 Stijn-Pieter A. van Houten. A suite of services for interactive distributed simulations. PhD thesis, Delft University of Technology Faculty of Technology, Policy and Management Systems Engineering Group, 004. Stuart J. Russell and Peter orvig. Arti_cial Intelligence A Modern Approach. Prentice Hall, Englewood Cli_s, ew Jersey 0763, 995. ISB V. Gomathi, Dr. K. Ramar, and A. Santhiyaku Jeevakumar, Human Facial Expression Recognition using MAFIS Model, World Academy of Science, Engineering and Technology 50, 009 Woods. Allen J. and Bruce F. Wollenberg, 996, Power Generation, Operation and Control, John Willy and Son Inc Zhao Bo, Cao Yi-jian, 005, Multipleobyektif particle swarm optimization technique for economic load dispatch, Journal of Zhejiang University SCIECE, 005, 6A(5), hal

8 8